Wie KI wirklich funktioniert (die 20 %, die du brauchst)

Was ein Large Language Model wirklich ist

ChatGPT, Claude, Gemini – sie alle sind Large Language Models (LLMs). Zieht man das Marketing ab, bleibt ein System, das mit gewaltigen Textmengen trainiert wurde und eine Fähigkeit perfekt beherrscht: vorauszusagen, welcher Text als Nächstes folgen sollte. Wenn du fragst: „Was ist die Hauptstadt von Frankreich?“, schlägt das Modell keinen Datenbankeintrag nach. Es vervollständigt ein Muster – denn auf diesen Satzanfang folgte in all seinen Trainingsdaten fast ausnahmslos das Wort „Paris“. Skaliert man dieses Prinzip auf Billionen Wörter, entsteht etwas Erstaunliches: die Fähigkeit zu logischem Denken, Zusammenfassen, Übersetzen, Programmieren und Führen natürlicher Unterhaltungen.

Daraus folgen drei praktische Konsequenzen. Erstens: **LLMs sind zuerst eloquent, erst danach präzise.** Das Modell ist darauf optimiert, plausiblen Text zu generieren. Oft deckt sich plausibel mit wahr – aber eben nicht immer. Das Modell präsentiert eine falsche Antwort mit derselben Selbstsicherheit wie eine richtige. Das nennt man Halluzination, und es ist kein Bug, der jemals restlos „behoben“ wird, sondern ein fester Bestandteil der Technologie.

Zweitens: **LLMs kennen von Haus aus nicht die Nachrichten von heute.** Modelle werden bis zu einem festen Stichtag (Cutoff-Datum) trainiert. Für alles danach brauchen sie eine Websuche oder angebundene Tools. Drittens: **Quality in, quality out.** Das Modell führt *deinen* Text fort. Ein vager Prompt führt zu einer generischen Antwort; ein Prompt voller Kontext liefert ein präzise zugeschnittenes Ergebnis.

Tokens, Kontextfenster und warum lange Chats ungenau werden

LLMs lesen und schreiben in Tokens – das sind Textbausteine von etwa ¾ eines Wortes. Jedes Modell hat ein bestimmtes Kontextfenster: die maximale Textmenge, die es auf einmal im Blick behalten kann. Dazu gehören dein gesamter Chatverlauf, hochgeladene Dateien und die eigenen Antworten. Betrachte es einfach als den Arbeitsspeicher oder die Schreibtischfläche des Modells.

Zwei Punkte sind selbst bei den heutigen riesigen Fenstern entscheidend: Alles konkurriert um Aufmerksamkeit. Wenn du ein 90-seitiges PDF hochlädst und eine einzige Frage stellst, muss die relevante Stelle mit 89 unwichtigen Seiten um die Aufmerksamkeit des Modells kämpfen. Weise das Modell also gezielt auf den richtigen Abschnitt hin. Außerdem bauen lange Chats mit der Zeit ab: Nach Dutzenden Nachrichten sammeln sich Widersprüche und veraltete Anweisungen an. Wenn ein Chat konfus wird, starte einfach einen neuen Chat und füge eine kurze Zusammenfassung des bisherigen Stands ein. Die goldene Faustregel lautet: Ein Chat pro Aufgabe.

Modelle, Modi und echtes Reasoning

In modernen KI-Tools triffst du meist auf verschiedene Modelle oder Modi: schnelle, leichte Modelle, die praktisch sofort antworten und sich perfekt für Umformulierungen oder kurze Fragen eignen; Flaggschiff-Modelle, die zwar etwas langsamer sind, aber bei komplexen Aufgaben und anspruchsvollen Texten weitaus besser abschneiden; Reasoning- oder „Extended Thinking“-Modi, in denen das Modell vor der Antwort Schritt für Schritt nachdenkt – ideal für Mathe, Planung und mehrstufige Analysen; und schließlich Deep Research-Modi, bei denen die KI über 5 bis 30 Minuten hinweg selbstständig Dutzende Quellen recherchiert und auswertet.

Die Faustregel für die Praxis: Nutze für alles, worauf es wirklich ankommt, standardmäßig das beste verfügbare Modell. Der Preisunterschied liegt meist im Cent-Bereich, der Qualitätsunterschied entscheidet jedoch oft darüber, ob das Ergebnis brauchbar ist oder nicht.

Wann du vertrauen kannst und wann du prüfen musst

Wende bei jedem KI-Ergebnis eine gedankliche Triage an. Brainstorming, Entwürfe und Umformulierungen genießen hohes Vertrauen – du kannst sie direkt verwenden. Zusammenfassungen von Texten, die du selbst bereitgestellt hast, verdienen mittleres bis hohes Vertrauen – prüfe hier stichprobenartig wichtige Zahlen. Allgemeinwissen und etablierte Fakten liegen im mittleren Bereich. Konkrete Zahlen, Daten, Preise, Gesetze und Zitate gehören in die Kategorie mit geringem Vertrauen – überprüfe sie immer. Alles, was du veröffentlichst, an Kundinnen und Kunden sendest oder bei Behörden einreichst, verdient niedriges Vertrauen: Verifiziere jede einzelne Tatsachenbehauptung.

Zwei Prüfgewohnheiten dauern nur Sekunden: Frage nach Quellen („Suche im Web und nenne mir verlinkte Quellen für jede Behauptung“) und klicke ein oder zwei Links an. Oder bitte das Modell, gegen sich selbst zu argumentieren: „Was an deiner obigen Antwort könnte falsch oder veraltet sein?“ Modelle sind erstaunlich gut darin, eigene Fehler aufzuspüren, wenn man sie gezielt dazu auffordert. Unterschreibe, veröffentliche oder bezahle niemals auf Basis einer ungeprüften KI-Aussage. Eine KI ist deine Rechercheassistenz – nicht dein Steuerberater, Anwalt oder Arzt.

Chatbots vs. Agenten: Der Wandel, der alles verändert

Bis vor Kurzem war KI vor allem ein Chatbot: Du schreibst etwas, sie antwortet, und die eigentliche Arbeit erledigst du. Der große Umbruch der Jahre 2025–2026 führt uns direkt zu Agenten: KIs, die selbst handeln können. Sie durchsuchen das Netz, lesen und bearbeiten Dateien, greifen auf deinen Kalender zu, führen Programme aus, navigieren durch Webseiten, wickeln mehrstufige Pläne ab und arbeiten eigenständig weiter, bis eine Aufgabe erledigt ist.

Dasselbe Grundmodell verhält sich völlig unterschiedlich, je nachdem, woran es angebunden ist: Claude in einem einfachen Browser-Tab ist ein extrem cleveres Textfeld. Claude, der über MCP mit deinem Gmail-Konto, Kalender und Notion verknüpft ist, wird zum echten Assistenten, der Dinge aktiv prüft und aktualisiert. Claude Code oder Codex auf deinem Computer ist ein Agent, der Tausende Dateien organisieren oder ein funktionierendes Tool für dich bauen kann. Dieser Kurs führt dich Schritt für Schritt diese Leiter hinauf: erst solide Chat-Fähigkeiten, dann Agenten, dann Verknüpfungen und schließlich komplette Systeme.